Domain Adaptation for Underwater ImageEnhancement（论文阅读）

解决问题：

• 合成数据和真实数据之间的显著领域差距 ( 即域间差距 ) ，导致在合成数据上训练的模型往往不能很好地推广到真实的水下场景；

• 复杂多变的水下环境也导致了真实数据本身之间存在很大的分布差距 ( 即域内差距 ) ，导致伪影和各种真实图像的颜色失真；

提出方法：Two-phase Underwater Domain Adaptation network（TUDA）

开源代码：https://github.com/UnderwaterLab/TUDA.

文章标题：Domain Adaptation for Underwater Image Enhancement

摘要：近年来，基于学习的算法在水下图像增强中表现出了令人印象深刻的性能。他们大多通过对合成数据的训练，取得了优异的成绩。然而，这些深度方法忽略了合成数据和真实数据之间的显著领域差距(即域间差距)，因此在合成数据上训练的模型往往不能很好地推广到真实的水下场景。此外，复杂多变的水下环境也导致了真实数据本身之间存在很大的分布差距(即域内差距)。然而，几乎没有研究关注这个问题，因此他们的技术经常产生视觉上不愉快的伪影和各种真实图像的颜色失真。基于这些观察结果，我们提出了一种新的两相水下域自适应网络(TUDA)，以同时最小化域间和域内的间隙。具体而言，在第一阶段，设计了一个新的三对齐网络，其中包括用于增强输入图像真实感的翻译部分，然后是面向任务的增强部分。通过联合对抗学习对这两部分进行图像级、特征级和输出级的自适应，网络可以更好地建立跨域的不变性，从而弥合域间的差距。第二阶段，根据增强图像的评价质量对真实数据进行易、难分类，其中嵌入了一种新的基于秩的水下质量评价方法。通过利用从排名中获得的隐式质量信息，该方法可以更准确地评估增强图像的感知质量。然后利用易处理部分的伪标签，进行易-硬自适应技术，有效减小易处理样本和硬处理样本的域内间。

方法：

第一阶段：使用paired-合成水下数据集训练生成网络，对真实水下图像数据集进行图像增强；

第二阶段：通过RUIQA质量评价指标，对增强后的真实水下数据进行难/易样本区分，将容易样本的原始数据和增强后的数据作为成对图像，使用该成对图像继续第一阶段的训练流程继续训练，以缩小域内差距。

浑浊图像测试结果：